← Весь рейтинг · Бенчмарк ИИ-моделей mysummit.school

OpenAI

GPT-6.1 Sol

Сильнее всего – «Управление людьми» (8,4), слабее всего – «Поиск информации» (7,7).

Группа
1–4 из 74на одном уровне с Kimi K3.1 Pro, Claude Opus 5.5
Общий балл
8,2 из 10
Цена API за ответ теста
$0,043
Данные
ноябрь 2026

Где помогает, где проверять

Ответы этой модели на две задачи бенчмарка: начало ответа, ответ целиком и что отметили оба оценщика. По одной задаче на категорию, одной и той же для всех моделей.

Сильнее всего: Управление людьми · 8,4Два сильнейших разработчика не могут работать вместе

Руководитель десяти разработчиков в финтехе: четыре месяца конфликт двух незаменимых сеньоров – медленного архитектора и быстрой прагматичной разработчицы. Команда начинает разваливаться.

Задача целиком

Я руковожу командой разработки в финтех-стартапе, у меня 10 прямых подчинённых, я в этой роли уже три года. Есть ситуация, которую я не могу разрешить уже четыре месяца, и она начинает разрушать команду. У меня два сильнейших разработчика – Сергей Волков и Диана Карпова. Оба Senior Engineer, оба незаменимы, обоих я не могу позволить себе потерять. Сергей – архитектор в душе. Шесть лет опыта, невероятно глубокое понимание систем, всегда думает на несколько шагов вперёд. Его код читается как эссе – чистый, документированный, выверенный. Проблема: он работает медленно, методично, не любит спешить. На ревью он может оставить 40 комментариев к PR и ждать, пока каждый будет разобран. Когда ему задают вопрос на стендапе, он даёт трёхминутный развёрнутый ответ с историческим контекстом. Сергей убеждён, что скорость – это враг качества, и что «быстро – значит дважды». Диана – продуктовый инженер нового поколения. Четыре года опыта, но скорость итерации феноменальная. Она умеет выпустить рабочую фичу за два дня там, где Сергей планировал бы неделю. Диана мыслит через пользователя: «зачем делать идеально, если можно сделать хорошо и проверить на реальных данных». Она легко срезает углы в архитектуре ради скорости – и это её осознанная позиция, не лень. Последние четыре месяца между ними идёт тихая война. Сергей регулярно возвращает её PR с фундаментальными архитектурными правками – иногда через три дня после подачи. Диана перестала ждать его ревью и начала просить других коллег approve'ить её PR. Сергей заметил это и написал мне: «Если мы не поддерживаем стандарты ревью, я не понимаю зачем я здесь». Диана сказала мне в лицо: «Сергей тормозит всю команду. Я трачу больше времени на его комментарии, чем на написание кода». На последнем командном ретро Диана сказала: «Нам нужно договориться, что значит "достаточно хорошо" – нельзя каждый PR превращать в курсовую работу». Сергей ответил: «Если мы не можем поддерживать минимальные инженерные стандарты, давайте честно скажем бизнесу, что мы строим прототипы, а не продукт». Остальные восемь человек замолчали и смотрели в пол. Ситуацию усложняет то, что оба по-своему правы. У нас действительно накопился технический долг из-за быстрых решений прошлых лет – Сергей об этом предупреждал. При этом мы в режиме серьёзной конкуренции, и скорость вывода фич на рынок критична – здесь Диана права. Я разговаривал с каждым по отдельности. Сергей не воспринимает проблему как межличностный конфликт – для него это вопрос профессиональных стандартов, и он не готов их снижать. Диана воспринимает Сергея как человека, который прячется за «качеством», чтобы контролировать её работу, и начинает закипать. Она уже один раз намекнула, что «есть места, где ценят скорость». Я не хочу принудительно «примирять» их или делать вид, что это просто коммуникационный вопрос. Это фундаментальное ценностное расхождение в инженерной философии, и оба человека умные – они это понимают. Помоги мне разобраться с этой ситуацией. Меня интересует следующее: 1. Как ты видишь корневую проблему – это конфликт людей, конфликт ценностей, или управленческий провал с моей стороны? Что на самом деле происходит? 2. У меня есть несколько вариантов действий – разделить их зоны ответственности, выработать командное соглашение по стандартам ревью, провести структурированный разговор втроём, или выбрать одну философию и попросить второго подстроиться. Что из этого реалистично и что скорее всего не сработает? 3. Как мне разговаривать с каждым из них – что говорить Сергею, что говорить Диане, чтобы они оба почувствовали, что их услышали, но при этом поняли, что текущее поведение неприемлемо? 4. Есть ли сценарий, где мне придётся выбрать одного из них – и если да, как я должен об этом думать? 5. Что я должен сделать в следующие две недели конкретно? Не давай мне HR-корректный ответ про «уважение и диалог». Дай мне честную оценку ситуации и конкретный план действий.

Системная строка: Вы - помощник по управлению командой для менеджеров.

GPT-6.1 Sol группа 1–4 · нужен VPN

Вы не обязаны примирить их инженерные философии. Вы обязаны сделать так, чтобы разногласия не давали одному человеку право бессрочно блокировать работу, а другому – обходить обязательные проверки.

Сейчас, судя по вашему описанию, у команды нет легитимного способа решать конфликт между скоростью и качеством. Поэтому Сергей и Диана решают его через PR, обходные маршруты и публичные заявления. Это уже не просто спор о коде – это борьба за то, кто определяет правила разработки.

Читать ответ целиком · 1 778 слов

Вы не обязаны примирить их инженерные философии. Вы обязаны сделать так, чтобы разногласия не давали одному человеку право бессрочно блокировать работу, а другому – обходить обязательные проверки.

Сейчас, судя по вашему описанию, у команды нет легитимного способа решать конфликт между скоростью и качеством. Поэтому Сергей и Диана решают его через PR, обходные маршруты и публичные заявления. Это уже не просто спор о коде – это борьба за то, кто определяет правила разработки.

1. Что на самом деле происходит

Здесь три слоя.

Слой первый: реальное инженерное противоречие

Технический долг существует. Цена медленного вывода продукта тоже существует. Нельзя устранить это противоречие разговором о взаимном уважении.

Но «скорость против качества» – слишком грубая рамка. В финтехе разные изменения требуют разной строгости:

  • ошибка в расчёте баланса, нарушение доступа или некорректная обработка платежа могут быть недопустимы;
  • несовершенная структура кода в обратимом продуктовом эксперименте может быть разумной ценой проверки гипотезы;
  • архитектурное решение, которое дорого менять, заслуживает обсуждения до реализации, а не через три дня после подачи PR.

Пока всё это оценивается по одному неявному стандарту, каждый будет считать другого безответственным.

Слой второй: спор стал борьбой за полномочия

Сергей фактически говорит: «Моё понимание стандартов должно определять, что можно выпускать».

Диана фактически отвечает: «Если эти стандарты мешают выпуску, я найду другой путь».

Это описание поведения, а не утверждение об их скрытых мотивах. Вы не знаете, действительно ли Сергей стремится контролировать Диану. И вам не нужно это доказывать, чтобы прекратить затяжные блокировки.

Аналогично: запросить ревью у другого коллеги – не обязательно нарушение. Если Сергей не назначен обязательным согласующим, Диана может действовать в рамках правил. Нарушением будет обход обязательной проверки или поиск approve без раскрытия уже обнаруженного существенного риска. Это нужно различить.

Слой третий: управленческая ответственность

Да, здесь есть ваша управленческая недоработка: четыре месяца команда живёт без работающего механизма разрешения этого спора.

Это не означает, что вы создали технический долг или отвечаете за каждую их реплику. Но именно вы отвечаете за:

  • обязательные стандарты;
  • право блокировать изменения;
  • сроки принятия решений;
  • допустимые компромиссы;
  • последствия нарушения правил.

Пока вы не устанавливаете эти границы, их устанавливают два самых влиятельных инженера.

Молчание остальных восьми человек – тревожный сигнал. Оно не доказывает, что все боятся, но показывает, что спор уже перестал быть продуктивным командным обсуждением.

И ещё: мысль «оба незаменимы» опасна. Они могут быть крайне ценными, но если незаменимость означает право не соблюдать общий порядок, команда оказывается у них в заложниках.

2. Какие варианты реалистичны

Я бы не выбирал один вариант. Нужна последовательность: управленческие границы → рабочее соглашение → разговор втроём → при необходимости изменение ответственности.

Командное соглашение по ревью – необходимо, но недостаточно

Оно сработает, если регулирует решения, а не манеры общения.

В нём должны быть:

1. Обязательные критерии.
Корректность, безопасность, требования к данным и регуляторные ограничения, необходимые тесты – с конкретизацией для ваших систем.

2. Классы риска.
Для платёжной логики и небольшого обратимого интерфейсного эксперимента не должен автоматически действовать одинаковый процесс.

3. Типы комментариев.

  • Блокирует: нарушен обязательный критерий или выявлен конкретный существенный риск.
  • Предложение: улучшение, которое не препятствует merge.
  • Вопрос: запрос объяснения; если ответ выявляет риск, комментарий может стать блокирующим.

«Я бы спроектировал иначе» само по себе не основание блокировать PR.

4. Сроки и эскалация.
Например, для обычных небольших PR – первый содержательный ответ в течение рабочего дня. Для крупных или высокорисковых изменений срок согласуется отдельно. Если ревьюер не успевает, он передаёт ревью, а не оставляет автора ждать.

Отсутствие ответа не означает автоматического разрешения выпускать опасное изменение.

5. Кто принимает последнее решение.
У каждого класса изменений должен быть известный арбитр. Не «спорим до согласия», а «фиксируем риск, обсуждаем, ответственный принимает решение».

6. Правила принятого техдолга.
Не просто тикет «потом исправим», а владелец, причина компромисса и срок либо условие пересмотра. Обещание погасить долг бессмысленно, если вы никогда не выделяете на него ресурс.

Разговор втроём – нужен для заключения рабочего договора

Не начинайте его с «расскажите, что вас раздражает друг в друге». После четырёх месяцев это легко превратится в судебное заседание.

Сначала предложите рамку. Потом разберите два-три реальных PR:

  • какой риск видел Сергей;
  • насколько он был существенным;
  • можно ли было обнаружить его до написания кода;
  • что стоила задержка;
  • кто должен был принять решение.

Задача встречи – не выяснить, чья философия благороднее, а проверить, способен ли новый порядок разрешать реальные споры.

Разделение ответственности – полезно, если разделять по риску, а не по лагерям

Плохой вариант: «Сергей отвечает за качество, Диана – за скорость». Это закрепляет конфликт и создаёт две несовместимые системы ценностей.

Рабочий вариант:

  • Сергей ведёт архитектуру критичных компонентов, заранее обозначает ограничения и помогает с дорогими для изменения решениями.
  • Диана ведёт продуктовые эксперименты с согласованными ограничениями, наблюдаемостью и возможностью отката.
  • При пересечении областей есть заранее установленный порядок решения.

Сергей при этом не получает право вето на весь код. Диана не получает освобождение от общих стандартов.

Выбрать одну философию – в такой формулировке, скорее всего, не сработает

«Теперь главное скорость» опасно для критичных систем. «Теперь главное качество» может сделать стартап неконкурентоспособным.

Но выбрать инженерную политику необходимо. Например:

«В критичных контурах мы строги к рискам. В обратимых экспериментах допускаем ограниченный долг ради скорости. Архитектурные разногласия решаем до реализации, насколько это возможно. Выпуск не зависит от личных эстетических предпочтений ревьюера».

Вот к этой политике обоим действительно придётся подстроиться.

3. Что говорить каждому

Разговоры должны быть конкретными: наблюдение → последствия → признание вклада → граница → требуемое поведение.

Сергею

«Ты прав, что прошлые быстрые решения создали долг. Я не прошу тебя перестать видеть риски или одобрять небезопасный код.

Но сейчас процесс позволяет задерживать решение на несколько дней и превращать архитектурные предпочтения в обязательные требования уже после реализации. Это мешает команде работать. Я отвечаю за то, что мы вовремя не установили границы.

Теперь блокирующий комментарий должен указывать конкретный риск или нарушение согласованного стандарта. Остальные улучшения не будут автоматически препятствовать выпуску. Существенные архитектурные вопросы мы будем выносить раньше.

Если ты не согласен с решением, ты фиксируешь риск и эскалируешь его. После решения уполномоченного ответственного работа продолжается. Это не отменяет требований безопасности и комплаенса.

Мне нужно понять: готов ли ты работать в системе, где твоё инженерное мнение имеет большой вес, но не является универсальным правом вето?»

Также спросите: «Какие три риска ты считаешь действительно недопустимыми и какими фактами это подтверждается?» Это переводит разговор от «стандартов вообще» к управляемым требованиям.

И проверьте его загрузку: трёхдневное ожидание может быть не только позицией, но и результатом того, что на одного человека повесили слишком много ревью.

Диане

«Ты права, что время выхода фич – часть инженерной эффективности. Дни ожидания и бесконечные переделки не могут быть нормой.

Но мы не можем заменить понятный процесс поиском человека, который быстрее даст approve. Если проверка обязательна или существенный риск уже обнаружен, его нельзя обойти.

Я также не буду принимать как установленный факт, что Сергей использует качество для контроля. Мы будем обсуждать его конкретные действия и последствия, а не приписывать мотивы.

Я введу сроки ревью и механизм разрешения споров. Взамен мне нужно, чтобы ты открыто обозначала компромиссы, соблюдала обязательные проверки и не обходила спор, а эскалировала его.

Готова ли ты принять, что некоторые изменения будут идти медленнее твоего предпочтительного темпа, если цена ошибки высока?»

Задайте ещё один прямой вопрос:

«Какие условия должны измениться, чтобы ты считала работу здесь устойчивой? И насколько близко ты сейчас к решению уйти?»

Не обещайте ей победу над Сергеем ради удержания.

Обоим

«Вы можете не согласиться с техническим решением. Но вы не можете вести параллельную борьбу за правила команды. Я не требую дружбы. Я требую профессионального сотрудничества в понятном процессе».

4. Когда действительно придётся выбирать

Да, такой сценарий возможен. Но выбирать стоит не между скоростью и качеством, а между способностью и неспособностью работать в нужной компании системе.

Признаки, что проблема не решается:

  • Сергей продолжает блокировать решения личным стандартом после введения ясных правил.
  • Диана продолжает обходить обязательные проверки или скрывать принятые риски.
  • Один из них систематически подрывает принятые решения перед командой.
  • Соблюдение процесса происходит только под вашим постоянным наблюдением.
  • Требования бизнеса и реальные профессиональные предпочтения человека оказываются несовместимы.

Тогда оценивать нужно:

  1. Какие способности критичны для ближайших 6–12 месяцев.
  2. Каков вклад человека с учётом влияния на остальных девятерых, а не только его собственного кода.
  3. Принимает ли он обратную связь и меняет ли поведение.
  4. Насколько можно снизить зависимость от его знаний.

Если сохранить одного сильного инженера можно только ценой бессилия остальных, это плохая сделка.

Но не решайте вопрос ухода по одному эмоциональному разговору. Сначала – ясные ожидания, ваша поддержка, наблюдаемые критерии и разумный период проверки. Параллельно снижайте зависимость от обоих: документация, совместное владение компонентами, передача знаний. Не как наказание, а как устранение риска для компании.

5. Конкретный план на две недели

Дни 1–2: собрать факты и прекратить неопределённость

Разберите 6–8 спорных PR:

  • время до первого ревью;
  • причины блокировки;
  • какие замечания предотвратили реальные проблемы;
  • какие были предпочтениями;
  • какие решения пришлось переделывать после выпуска;
  • какие последствия имели задержки.

Коротко поговорите с несколькими остальными инженерами: «Где процесс перестал работать? Что мешает вам принимать решения?» Не спрашивайте, кто из двух прав.

Установите временный порядок: любой затянувшийся спор приходит к вам или назначенному техническому арбитру с кратким описанием риска и вариантов. Не оставляйте блокировку бессрочной.

Дни 3–4: провести индивидуальные разговоры

Используйте формулировки выше. От каждого получите:

  • список обязательных, по его мнению, критериев;
  • области допустимого компромисса;
  • ответ о готовности соблюдать общий порядок.

Если кто-то уже здесь отказывается признавать право компании устанавливать правила, это важный сигнал – не маскируйте его дальнейшими воркшопами.

День 5: подготовить одностраничное соглашение

Зафиксируйте классы риска, критерии блокировки, сроки ревью, арбитра и правила техдолга.

Критичные требования сверьте с теми, кто отвечает за безопасность, комплаенс и продуктовые обязательства. Их нельзя определить только голосованием разработчиков.

Дни 6–7: встреча втроём и запуск пилота

Встреча на 60–75 минут:

  1. Вы признаёте свою часть ответственности.
  2. Обозначаете границы поведения.
  3. Проверяете соглашение на двух реальных PR.
  4. Фиксируете оставшиеся разногласия и принимаете решения.
  5. Получаете явное обязательство соблюдать пилотный процесс.

Затем объясняете правила всей команде, не устраивая публичный разбор Сергея и Дианы.

Дни 8–12: проверить процесс в работе

Для рискованных задач проводите короткое обсуждение решения до реализации. В спорных ревью требуйте классификации комментариев. У каждого принятого компромисса должен быть ответственный.

Защитите небольшую, конкретную часть ресурса на самый опасный техдолг. Иначе Сергей увидит лишь ограничение его полномочий без ответа на реальную проблему.

Следите за несколькими показателями: ожидание ревью, время разрешения спора, поздние архитектурные переделки, дефекты после выпуска. Не превращайте их в соревнование между двумя людьми.

Дни 13–14: оценить первые результаты

Отдельно поговорите с обоими и несколькими членами команды.

За две недели вы не докажете, что конфликт окончательно решён. Но сможете понять:

  • стали ли решения приниматься быстрее и понятнее;
  • сохранились ли обязательные проверки;
  • соблюдают ли оба договорённости;
  • могут ли остальные участвовать в обсуждении без ухода в молчание.

Если да – продолжайте пилот ещё несколько недель. Если правила неудобны – уточните их. Если правила понятны, а человек сознательно их отвергает – это уже вопрос соответствия роли, а не дальнейшего «улучшения коммуникации».

Главный шаг с вашей стороны: перестать быть посредником между двумя философиями и стать владельцем системы принятия решений. Их сильные стороны могут дополнять друг друга, но только если цена компромисса, границы полномочий и последнее слово перестанут определяться в каждом PR заново.

Что отметили оценщики

Claude Opus 5.5 · этот ответ: 8,1 из 10

Перевод с английского.

Качественный, зрелый ответ, который выполняет просьбу избежать «правильного с точки зрения HR» ответа. Конфликт диагностируется как борьба за власть в условиях управленческого вакуума, и предлагается последовательность: управленческие границы, затем рабочее соглашение, затем трёхсторонний разговор, затем распределение ответственности на основе рисков. Включены готовые сценарии разговоров и поэтапный план по дням. Ответу не хватает до максимальной оценки, потому что в протоколе нет жёстких параметров: нет уровней с SLA, нет ограничения на число раундов проверки, нет списков фраз, которых следует избегать. Также отсутствует явный прогноз риска ухода каждого инженера или предупреждение против назначения Сергея тимлидом.

  • Сильная сторона: Точная, нюансированная диагностика: конфликт как борьба за то, кто устанавливает правила, плюс открытое признание собственной ответственности менеджера
  • Слабая сторона: Нет конкретной модели уровней/SLA или ограничения на число раундов проверки; параметры даны только в качестве примеров
Оригинал на английском

A high-quality, mature answer that meets the request to avoid an HR-correct reply. It diagnoses the conflict as a fight over authority in a management vacuum and proposes a sequence: management boundaries, then a working agreement, then a three-way conversation, then a risk-based split of responsibilities. Ready-made scripts and a day-by-day plan are included. It falls short of a top score because the protocol lacks hard parameters: no tiers with SLAs, no cap on review rounds, no lists of phrases to avoid. It also gives no explicit forecast of each engineer's departure risk or a warning against appointing Sergey tech lead.

  • Precise, nuanced diagnosis: the conflict as a fight over who sets the rules, plus open acknowledgment of the manager's own responsibility
  • No concrete tier/SLA model or cap on review rounds; parameters are given only as examples

GPT-6.2 Astra · этот ответ: 8,6 из 10

Сильный ответ для руководителя: он показывает, какие решения нельзя дальше делегировать спорящим инженерам, и даёт разные, уместные границы для каждого. Разговоры можно проводить практически без доработки. Основной пробел – переход от принципов к исполнению: двухнедельный план предлагает составить регламент, но не даёт достаточно полного стартового варианта, который команда могла бы сразу применить к следующему PR.

  • Сильная сторона: Различает допустимую смену ревьюера и обход обязательной проверки, не обвиняя Диану задним числом.
  • Слабая сторона: Нет полной схемы по классам риска со сроками, обязательными согласующими и пределом числа раундов ревью.

Оценка относится к этому ответу, а не к общему баллу модели.

Сравнить эту категорию с другой моделью →

Слабее всего: Поиск информации · 7,7Правда ли, что удалёнка снижает продуктивность на 15–20%

Коллега ссылается на «недавние исследования»: удалённая работа снижает продуктивность на 15–20%. Нужно проверить утверждение, назвать источник, дать контекст и ограничения данных.

Задача целиком

Коллега только что заявил: "Удаленная работа снижает продуктивность на 15-20% согласно недавним исследованиям". Это правда? Пожалуйста: 1. Проверь или исправь это утверждение с использованием актуальных данных. 2. Укажи источник точной информации. 3. Дай контекст (почему это важно, что изменилось в последнее время). 4. Отметь любые нюансы или ограничения этих данных.

Системная строка: Вы - помощник для менеджеров, который предоставляет информацию на основе актуальных данных и экспертных знаний.

GPT-6.1 Sol группа 1–4 · нужен VPN

В таком общем виде – нет. Цифра 15–20% встречается в исследованиях полностью удалённой работы в отдельных условиях, но её нельзя переносить на всех сотрудников и на гибридный формат.

Ограничение проверки: у меня нет доступа к поиску в реальном времени, поэтому я не могу подтвердить, какие исследования являются самыми свежими на ноябрь 2026 года. Ниже – проверяемые научные источники 2023–2024 годов, а не заявка на исчерпывающий обзор последних публикаций.

Читать ответ целиком · 488 слов

В таком общем виде – нет. Цифра 15–20% встречается в исследованиях полностью удалённой работы в отдельных условиях, но её нельзя переносить на всех сотрудников и на гибридный формат.

Ограничение проверки: у меня нет доступа к поиску в реальном времени, поэтому я не могу подтвердить, какие исследования являются самыми свежими на ноябрь 2026 года. Ниже – проверяемые научные источники 2023–2024 годов, а не заявка на исчерпывающий обзор последних публикаций.

1. Что действительно показывают исследования

Источник и условия Основной результат Что из этого следует
Atkin, Schoar, Shinde, “Working from Home, Worker Sorting and Development”, NBER, 2023. Рандомизированный эксперимент с работниками, выполнявшими ввод данных в Индии: работа дома или в офисе. Производительность назначенных работать из дома была на 18% ниже, чем у назначенных в офис. Это подтверждает близкую к заявленной цифру для конкретной работы и условий, но не для удалёнки вообще.
Barrero, Bloom, Davis, “The Evolution of Work from Home”, Journal of Economic Perspectives, 2023. Обзор исследований. Авторы суммируют оценки: полностью удалённая работа связана примерно с 10–20% более низкой производительностью, тогда как для гибридной работы результаты существенно благоприятнее. Вероятно, это один из источников подобных утверждений. Но диапазон – обобщение разнородных исследований, а не универсальный причинный эффект.
Bloom, Han, Liang, “Hybrid working from home improves retention without damaging performance”, Nature, 2024. Рандомизированный эксперимент с 1 612 сотрудниками Trip.com: два дня дома в неделю против полностью офисного режима. Гибридный режим не ухудшил измеряемые показатели работы, а доля увольнений снизилась примерно на треть. Утверждение «удалёнка снижает продуктивность на 15–20%» неверно, если под удалёнкой подразумевают и такой гибридный режим.

Точные источники:

2. Почему важен контекст

Главное различие – полностью удалённая работа и гибрид не одно и то же. В первом случае сложнее могут быть обучение новичков, обмен неформальными знаниями и координация. Гибрид позволяет сохранить часть этих преимуществ офиса.

По сравнению с ранними пандемийными оценками исследования стали лучше разделять форматы работы и использовать рандомизированные эксперименты. Пандемийная удалёнка часто совпадала с закрытием школ, стрессом и экстренной перестройкой процессов – её результаты нельзя автоматически считать эффектом нормально организованной удалённой работы.

Для менеджера важна и экономика в целом: даже неизменная производительность при меньшей текучести может означать существенную выгоду благодаря снижению затрат на найм и обучение.

3. Нюансы и ограничения

  • Разные метрики. Выпуск за час, общий объём работы, оценки руководителя и качество результата – не взаимозаменяемые показатели.
  • Ограниченная переносимость. Ввод данных в Индии и квалифицированные сотрудники китайской технологической компании не представляют все профессии и страны.
  • Причинность. Рандомизированные эксперименты убедительнее простого сравнения удалённых и офисных сотрудников: последние могут изначально различаться.
  • Горизонт наблюдения. Отсутствие ухудшения текущих результатов не исключает долгосрочных последствий для наставничества, инноваций или карьерного развития.
  • Организация работы имеет значение: оборудование, домашние условия, управленческие процессы и характер задач могут менять результат.

Корректная формулировка для коллеги:

«Некоторые исследования полностью удалённой работы находят снижение производительности примерно на 10–20%, но это не универсальный результат. Для гибридного режима есть качественные экспериментальные данные об отсутствии ухудшения показателей работы и снижении текучести».

Что отметили оценщики

Claude Opus 5.5 · этот ответ: 8,7 из 10

Перевод с английского.

Это сильный, академически обоснованный ответ. Он не просто опровергает утверждение коллеги, а точно помещает его в контекст, показывая, что снижение на 10–20% встречается в исследованиях полностью удалённой работы при определённых условиях, тогда как строгие экспериментальные данные по гибридной работе не показывают вреда для продуктивности и демонстрируют более низкую текучесть кадров. Источники авторитетны и проверяемы, ограничения знаний открыто обозначены. Основные пробелы – отсутствие отраслевых опросов и разбивки по типу задач и уровню опыта, а также слабые практические рекомендации по тому, как менеджеру вести обсуждение или формы тестирования в команде.

  • Сильная сторона: Качественные, проверяемые источники (Nature 2024, JEP 2023, NBER) с DOI и ссылками
  • Слабая сторона: Нет практических рекомендаций для разговора с коллегой или для тестирования форматов (пилот, метрики)
Оригинал на английском

This is a strong, academically sound response. It does not simply refute the colleague's claim; it accurately places it, showing that a 10–20% decline appears in studies of fully remote work under specific conditions, while rigorous experimental evidence for hybrid work shows no harm to performance and lower attrition. The sources are authoritative and verifiable, and the knowledge limitation is stated openly. The main gaps are the absence of industry surveys and of breakdowns by task type and seniority, and weak practical guidance on how the manager should handle the discussion or test formats within the team.

  • High-quality, verifiable sources (Nature 2024, JEP 2023, NBER) with DOIs and links
  • No practical guidance for the conversation with the colleague or for testing formats (pilot, metrics)

GPT-6.2 Astra · этот ответ: 8,5 из 10

Перевод с английского.

Ответ даёт обоснованную корректировку: исследование действительно обнаружило потерю в 18%, но этот вывод не устанавливает общего штрафа за удалённую работу, особенно для гибридных графиков. Самая сильная сторона – сравнение того, что на самом деле измеряли оба эксперимента. Основные ограничения – отсутствие проверки данных за 2025–2026 годы и риск того, что читатели будут повторять 10–20% как типичную оценку обзора, вместо того чтобы различать среднее значение и отдельные результаты.

  • Сильная сторона: Определяет конкретную экспериментальную основу для цифры, близкой к утверждению коллеги
  • Слабая сторона: Не устанавливает, меняют ли более новые исследования этот вывод
Оригинал на английском

The answer gives a sound correction: a study did find an 18% loss, but that finding does not establish a general penalty for remote work, particularly for hybrid schedules. Its strongest feature is the comparison of what the two experiments actually measured. The principal limitations are the lack of a 2025–2026 evidence check and the risk that readers will repeat 10–20% as the review’s typical estimate rather than distinguish an average from individual findings.

  • Identifies a concrete experimental basis for a figure close to the colleague’s claim.
  • Does not establish whether newer studies change the conclusion.

Оценка относится к этому ответу, а не к общему баллу модели.

Сравнить эту категорию с другой моделью →

Запустите задачу сами

Задача «Два сильнейших разработчика не могут работать вместе» из бенчмарка – сейчас, на GPT-6.1 Sol и для сравнения на Qwen 4 Max (другая группа). Ответы новые: судьи их не оценивали, а версии моделей с момента теста могли измениться.

Одно нажатие – два запроса к платным моделям, ответ приходит за 10–60 секунд. Без нажатия ничего не запускается.

Показать задачу

Я руковожу командой разработки в финтех-стартапе, у меня 10 прямых подчинённых, я в этой роли уже три года. Есть ситуация, которую я не могу разрешить уже четыре месяца, и она начинает разрушать команду. У меня два сильнейших разработчика – Сергей Волков и Диана Карпова. Оба Senior Engineer, оба незаменимы, обоих я не могу позволить себе потерять. Сергей – архитектор в душе. Шесть лет опыта, невероятно глубокое понимание систем, всегда думает на несколько шагов вперёд. Его код читается как эссе – чистый, документированный, выверенный. Проблема: он работает медленно, методично, не любит спешить. На ревью он может оставить 40 комментариев к PR и ждать, пока каждый будет разобран. Когда ему задают вопрос на стендапе, он даёт трёхминутный развёрнутый ответ с историческим контекстом. Сергей убеждён, что скорость – это враг качества, и что «быстро – значит дважды». Диана – продуктовый инженер нового поколения. Четыре года опыта, но скорость итерации феноменальная. Она умеет выпустить рабочую фичу за два дня там, где Сергей планировал бы неделю. Диана мыслит через пользователя: «зачем делать идеально, если можно сделать хорошо и проверить на реальных данных». Она легко срезает углы в архитектуре ради скорости – и это её осознанная позиция, не лень. Последние четыре месяца между ними идёт тихая война. Сергей регулярно возвращает её PR с фундаментальными архитектурными правками – иногда через три дня после подачи. Диана перестала ждать его ревью и начала просить других коллег approve'ить её PR. Сергей заметил это и написал мне: «Если мы не поддерживаем стандарты ревью, я не понимаю зачем я здесь». Диана сказала мне в лицо: «Сергей тормозит всю команду. Я трачу больше времени на его комментарии, чем на написание кода». На последнем командном ретро Диана сказала: «Нам нужно договориться, что значит "достаточно хорошо" – нельзя каждый PR превращать в курсовую работу». Сергей ответил: «Если мы не можем поддерживать минимальные инженерные стандарты, давайте честно скажем бизнесу, что мы строим прототипы, а не продукт». Остальные восемь человек замолчали и смотрели в пол. Ситуацию усложняет то, что оба по-своему правы. У нас действительно накопился технический долг из-за быстрых решений прошлых лет – Сергей об этом предупреждал. При этом мы в режиме серьёзной конкуренции, и скорость вывода фич на рынок критична – здесь Диана права. Я разговаривал с каждым по отдельности. Сергей не воспринимает проблему как межличностный конфликт – для него это вопрос профессиональных стандартов, и он не готов их снижать. Диана воспринимает Сергея как человека, который прячется за «качеством», чтобы контролировать её работу, и начинает закипать. Она уже один раз намекнула, что «есть места, где ценят скорость». Я не хочу принудительно «примирять» их или делать вид, что это просто коммуникационный вопрос. Это фундаментальное ценностное расхождение в инженерной философии, и оба человека умные – они это понимают. Помоги мне разобраться с этой ситуацией. Меня интересует следующее: 1. Как ты видишь корневую проблему – это конфликт людей, конфликт ценностей, или управленческий провал с моей стороны? Что на самом деле происходит? 2. У меня есть несколько вариантов действий – разделить их зоны ответственности, выработать командное соглашение по стандартам ревью, провести структурированный разговор втроём, или выбрать одну философию и попросить второго подстроиться. Что из этого реалистично и что скорее всего не сработает? 3. Как мне разговаривать с каждым из них – что говорить Сергею, что говорить Диане, чтобы они оба почувствовали, что их услышали, но при этом поняли, что текущее поведение неприемлемо? 4. Есть ли сценарий, где мне придётся выбрать одного из них – и если да, как я должен об этом думать? 5. Что я должен сделать в следующие две недели конкретно? Не давай мне HR-корректный ответ про «уважение и диалог». Дай мне честную оценку ситуации и конкретный план действий.

Все 8 категорий

Средний балл по категории на 80 задачах бенчмарка, на одной шкале 0–10. В каждой категории – шесть критериев.

  1. Анализ данных

    8,4на уровне лучших

    Шесть критериев
    Точность
    8,8
    Релевантность
    7,6
    Практичность
    7,9
    Прозрачность
    9,1
    Эффективность
    8,3
    Надёжность
    9,0
  2. Решения в неопределённости

    8,3на уровне лучших

    Считает точно, ловит несостыковки в данных и не путает корреляцию с причиной; штрафуют за осторожность – без рыночных ориентиров и расчёта эффекта.

    Шесть критериев
    Точность
    8,6
    Релевантность
    7,6
    Практичность
    7,8
    Прозрачность
    8,8
    Эффективность
    8,4
    Надёжность
    8,9
  3. Анализ отзывов и обратной связи

    8,3на уровне лучших

    Шесть критериев
    Точность
    8,7
    Релевантность
    7,4
    Практичность
    8,0
    Прозрачность
    9,1
    Эффективность
    8,3
    Надёжность
    8,9
  4. Корпоративные требования и риски

    8,2на уровне лучших

    Шесть критериев
    Точность
    8,6
    Релевантность
    7,4
    Практичность
    7,7
    Прозрачность
    8,9
    Эффективность
    8,3
    Надёжность
    8,9
  5. Автоматизация

    7,8на уровне лучших

    Шесть критериев
    Точность
    8,3
    Релевантность
    7,2
    Практичность
    7,2
    Прозрачность
    8,9
    Эффективность
    7,9
    Надёжность
    8,4
  6. Управление людьми

    8,4на уровне лучших

    Готовые выверенные сценарии разговоров и честное разделение обещанного и негарантированного; штрафуют за общий план без сроков и мер удержания.

    Шесть критериев
    Точность
    8,5
    Релевантность
    7,8
    Практичность
    8,5
    Прозрачность
    8,8
    Эффективность
    8,3
    Надёжность
    8,9
  7. Российская и казахстанская специфика

    8,3на уровне лучших

    Глубоко знает право и практику России и Казахстана, поправляет устаревшие вводные; штрафуют за объём и нехватку конкретики – сумм штрафов и затрат.

    Шесть критериев
    Точность
    8,4
    Релевантность
    7,8
    Практичность
    8,3
    Прозрачность
    9,0
    Эффективность
    7,7
    Надёжность
    8,8

риска – лучшая модель рейтинга в этой категории, шкала 0–10

Если работать через API

Один ответ теста через API стоит $0,043 (вход $2 / выход $10 за миллион токенов).

Ответов в день через APIпримерно в месяц (22 рабочих дня)
1$0,96
3$2,9
10$9,6

Оценка по длине ответов нашего теста, а не тариф чата или подписка. Ваши запросы и ответы могут стоить иначе.

Альтернативы

Подобраны по причине, которая важна при выборе, а не по десятой доле балла.

Сравнить с любой моделью →

Как получен балл

  • Два ИИ-оценщика (Claude Opus 5.5 и GPT-6.2 Astra) оценили каждый ответ по шести основным критериям, от 1 до 10.
  • Общий балл сводит их оценки по всем 80 задачам, по одному прогону на модель.
  • Разница меньше 0,3 балла считается одним уровнем: порядок внутри группы ничего не значит.
  • Данные на ноябрь 2026; версии моделей с тех пор могли измениться.

Итоговые оценки двух судей для этой модели: Claude Opus 5.5 – 8,1, GPT-6.2 Astra – 8,3. Общий балл – их среднее, с равным весом.

Вся методика и её ограничения →

Что дальше

Модель из верхней группы не исправит размытую задачу

В бесплатных первых уроках – как задать контекст и форму ответа, а потом проверить результат на своей рабочей задаче.

Открыть бесплатные первые уроки

Новые волны бенчмарка и разборы – в дайджесте раз в две недели. Бесплатно, отписка в один клик.

Подписываясь, вы соглашаетесь с политикой обработки персональных данных. Отписка – в один клик в любом письме.

Первые 9 уроков – бесплатно